CentOS RHEL 5.3 编译内核

http://www.opsers.org/base/centos-rhel-5-3-kernel.html

下载linux-2.6.29.4.tar.bz2到/usr/src 
# wget http://www.kernel.org/pub/linux/kernel/v2.6/linux-2.6.27.tar.bz2 
# tar -jxvf linux-2.6.27.tar.bz2 
# cd linux-2.6.27 
# make mrproper 
# make menuconfig 
# make clean 
# make bzImage 
# make modules 
# make modules_install 
# mkinitrd /boot/initrd_2.6.27.img 2.6.27

执行mkinitrd命令时,提示”No module dm-mem-cache found for kernel 2.6.27, aborting.”时,表明该版本的mkinitrd有bug。 
解决方法,1是当使用mkinitrd时,使用”-without-dmraid”这个参数。2是在使用mkinitrd之前,先创建一个noraid文件。创建方法如下: 
# echo “DMRAID=no” > /etc/sysconfig/mkinitrd/noraid 
# chmod 755 /etc/sysconfig/mkinitrd/noraid

然后再运行mkinitrd命令。

这里我采用了第一种办法 
# mkinitrd /boot/initrd-2.6.27.img 2.6.27 –without-dmraid
执行完mkinitrd后,就要在启动菜单中增加编译好的内核信息,以便启动时可以选择内核版本。 
# cp arch/x86/boot/bzImage /boot/vmlinuz-2.6.27 
# cp System.map /boot/System.map-2.6.27

打开/etc/grub.conf文件,增加以下内容到文件结尾。

title CentOS (2.6.27) 
root (hd0,0) 
kernel /vmlinuz-2.6.27 ro root=LABEL=/ 
initrd /initrd-2.6.27.img

保存,重启,进行grub的启动菜单中,选择”CentOS(2.6.27)”,即可使用编译好的内核。 
如果你觉得make modules_install后面的步骤太麻烦的话,就直接用下面的命令让系统帮你做好了 
# make install
下面是运行时的提示信息: 
sh /usr/src/linux-2.6.27/arch/x86/boot/install.sh 2.6.27 arch/x86/boot/bzImage System.map “/boot” 
WARNING: No module dm-mem-cache found for kernel 2.6.27, continuing anyway 
WARNING: No module dm-message found for kernel 2.6.27, continuing anyway 
WARNING: No module dm-raid45 found for kernel 2.6.27, continuing anyway

这些只是提示,对系统没有什么影响,经本人查阅相关的资料。 
可能是内核和mkinitrd的BUG,大家可以参考一下这篇文章 
https://bugzilla.redhat.com/show_bug.cgi?id=488991 
通过给内核打dm-raid45这个补丁,可以解决掉”WARNING: No module dm-raid45 found for kernel 2.6.29.4, continuing anyway”这个提示 
http://people.redhat.com/~heinzm/sw/dm/dm-raid45/ 
至于其他的两个没有仍然找不到解决的办法,希望大家知道的,给我留言!

谢谢!

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值